㈠ 程序员需要怎样的数学基础
LZ不要杞人忧天了，那些说数学重要的，首先数学你会吗？数学包含的范畴太多了，常见的有高等几何 微积分 线性代数 概率论 离散数学 数论 图论等等你指的是具体哪一样呢？就算是前人科学巨匠泰斗牛顿，殴几里德，爱因斯坦，他也只是擅长自己从事的那领域，要说所有数学领域都精通我想他们也不敢吹这样的牛逼。
所以对大多数人来说，在数学方面都不太可能取得什么很深的造诣。等到你所谓的把数学学好，那胡子都快白完了，数学是又深奥又费解学习成本巨大需要耗费大量时间学完不用立马就忘的学科。所以说数学重要，先问问你自己能不能学会。
其次，计算机学科跟数学根本就不是一门学科， 包含内容极其有限。计算机编程有自己的理论知识体系，很多跟数学关系不大。学好编程尤其对新手来说最重要的是对你学的编程语言的熟练运用和工具SDK的烂熟于心。每个语言都有自己独特的设计理念，不存在什么好学的编程语言。
所以说，题主， 你想得太远了。软件开发需要用到的知识比数学重要的太多了。抛开计算机不说，英语比起数学的重要性就大的多的多。英语不好你看不懂函数API说明你一切就是白瞎。而数学对于大多数人来说是最难学也是最不重要的知识，基本上是学了就忘忘了就扔扔了也没感觉的那种，很多搞编程的可能一辈子也用不到数学知识。为什么？理解C++的指针和多态需要数学吗？一个复杂的系统架构也不需要半点数学知识，而你就是看不懂。
还有就是程序调试技术，很多IDE给出的出错语句非常费解，什么指针为空，数组越界，内存溢出，SDK找不到， 你没经验时打死你也看不懂你的编程工具提示的是什么。这时你那高大上的数学真是P用没有，它能帮你排查错误找出程序崩掉的原因吗？我看不行吧，你还是得到论坛网络去问人家这些基本的问题。
在你担心数学好不好之前，你更应该关心编程环境怎么搭建，连IDE都搞不定不知道程序怎么跑起来你还搞什么呀，下一步就是程序基本的语法和SDK库函数的掌握，基本SDK都不知道什么意思怎么去用，如字符串函数，文件读写和数据库常用操作，这些你都不会你还有学下去的必要吗？还有更重要的更基本的程序调试技术，程序老出错老崩溃怎么办呀，哪里变量为空了内存写错了？为什么程序老编不过去呀，谁能帮帮我呀!!!这个时候你发现那牛逼的数学知识真是屁用没有，你还是感叹自己基本功底不行经验太少，这个时候打死你也不会再关心数学好不好的问题了。
如果说用到数学的大概只有3D游戏引擎，很智能的人工智能，如格斗游戏的电脑应对玩家的复杂AI，生化危机中僵尸怪物的配合商量运用策略包抄玩家和记忆功能，还有航空航天领域这样高精尖技术学科才会用到复杂一点的数学知识。而这些都是计算机专家才要掌握的内容。所以题主你是想多了，还是先关心下自己程序为什么编不过老是报错的问题吧
㈡ 程序员必备的一些数学基础知识
作为一个标准的程序员，应该有一些基本的数学素养，尤其现在很多人在学习人工智能相关知识，想抓住一波人工智能的机会。很多程序员可能连这样一些基础的数学问题都回答不上来。
作为一个傲娇的程序员，应该要掌握这些数学基础知识，才更有可能码出一个伟大的产品。
向量 向量（vector）是由一组实数组成的有序数组，同时具有大小和方向。一个n维向量a是由n个有序实数组成，表示为 a = [a1, a2, · · · , an]
矩阵
线性映射 矩阵通常表示一个n维线性空间v到m维线性空间w的一个映射f: v -> w
注：为了书写方便， X.T ，表示向量X的转置。 这里： X(x1,x2,...,xn).T，y(y1,y2,...ym).T ，都是列向量。分别表示v,w两个线性空间中的两个向量。A(m,n)是一个 m*n 的矩阵，描述了从v到w的一个线性映射。
转置 将矩阵行列互换。
加法 如果A和B 都为m × n的矩阵，则A和B 的加也是m × n的矩阵，其每个元素是A和B相应元素相加。 [A + B]ij = aij + bij .
乘法 如A是k × m矩阵和B 是m × n矩阵，则乘积AB 是一个k × n的矩阵。
对角矩阵 对角矩阵是一个主对角线之外的元素皆为0的矩阵。对角线上的元素可以为0或其他值。一个n × n的对角矩阵A满足： [A]ij = 0 if i ̸= j ∀i, j ∈ {1, · · · , n}
特征值与特征矢量 如果一个标量λ和一个非零向量v满足 Av = λv, 则λ和v分别称为矩阵A的特征值和特征向量。
矩阵分解 一个矩阵通常可以用一些比较“简单”的矩阵来表示，称为矩阵分解。
奇异值分解 一个m×n的矩阵A的奇异值分解
其中U 和V 分别为m × m和n×n 的正交矩阵，Σ为m × n的对角矩阵，其对角 线上的元素称为奇异值（singular value）。
特征分解 一个n × n的方块矩阵A的特征分解（Eigendecomposition）定义为
其中Q为n × n的方块矩阵，其每一列都为A的特征向量，^为对角阵，其每一 个对角元素为A的特征值。 如果A为对称矩阵，则A可以被分解为
其中Q为正交阵。
导数 对于定义域和值域都是实数域的函数 f : R → R ，若f(x)在点x0 的某个邻域∆x内，极限
存在，则称函数f(x)在点x0 处可导， f'(x0) 称为其导数，或导函数。 若函数f(x)在其定义域包含的某区间内每一个点都可导，那么也可以说函数f(x)在这个区间内可导。连续函数不一定可导，可导函数一定连续。例如函数|x|为连续函数，但在点x = 0处不可导。
加法法则
y = f(x),z = g(x) 则
乘法法则
链式法则 求复合函数导数的一个法则，是在微积分中计算导数的一种常用方法。若 x ∈ R，y = g(x) ∈ R，z = f(y) ∈ R ，则
Logistic函数是一种常用的S形函数，是比利时数学家 Pierre François Verhulst在 1844-1845 年研究种群数量的增长模型时提出命名的，最初作为一种生 态学模型。 Logistic函数定义为：
当参数为 (k = 1, x0 = 0, L = 1) 时，logistic函数称为标准logistic函数，记 为 σ(x) 。
标准logistic函数在机器学习中使用得非常广泛，经常用来将一个实数空间的数映射到(0, 1)区间。标准 logistic 函数的导数为：
softmax函数是将多个标量映射为一个概率分布。对于 K 个标量 x1, · · · , xK ， softmax 函数定义为
这样，我们可以将 K 个变量 x1, · · · , xK 转换为一个分布： z1, · · · , zK ，满足
当softmax 函数的输入为K 维向量x时，
其中，1K = [1, · · · , 1]K×1 是K 维的全1向量。其导数为
离散优化和连续优化 :根据输入变量x的值域是否为实数域，数学优化问题可以分为离散优化问题和连续优化问题。
无约束优化和约束优化 :在连续优化问题中，根据是否有变量的约束条件，可以将优化问题分为无约束优化问题和约束优化问题。 ### 优化算法
全局最优和局部最优
海赛矩阵
《运筹学里面有讲》，前面一篇文章计算梯度步长的时候也用到了： 梯度下降算法
梯度的本意是一个向量（矢量），表示某一函数在该点处的方向导数沿着该方向取得最大值，即函数在该点处沿着该方向（此梯度的方向）变化最快，变化率最大（为该梯度的模）。
梯度下降法
梯度下降法（Gradient Descent Method），也叫最速下降法（Steepest Descend Method），经常用来求解无约束优化的极小值问题。
梯度下降法的过程如图所示。曲线是等高线（水平集），即函数f为不同常数的集合构成的曲线。红色的箭头指向该点梯度的反方向（梯度方向与通过该点的等高线垂直）。沿着梯度下降方向，将最终到达函数f 值的局部最优解。
梯度上升法
如果我们要求解一个最大值问题，就需要向梯度正方向迭代进行搜索，逐渐接近函数的局部极大值点，这个过程则被称为梯度上升法。
概率论主要研究大量随机现象中的数量规律，其应用十分广泛，几乎遍及各个领域。
离散随机变量
如果随机变量X 所可能取的值为有限可列举的，有n个有限取值 {x1, · · · , xn}, 则称X 为离散随机变量。要了解X 的统计规律，就必须知道它取每种可能值xi 的概率，即
称为离散型随机变量X 的概率分布或分布，并且满足
常见的离散随机概率分布有：
伯努利分布
二项分布
连续随机变量
与离散随机变量不同，一些随机变量X 的取值是不可列举的，由全部实数 或者由一部分区间组成，比如
则称X 为连续随机变量。
概率密度函数
连续随机变量X 的概率分布一般用概率密度函数 p(x) 来描述。 p(x) 为可积函数，并满足：
均匀分布 若a, b为有限数，[a, b]上的均匀分布的概率密度函数定义为
正态分布 又名高斯分布，是自然界最常见的一种分布，并且具有很多良好的性质，在很多领域都有非常重要的影响力，其概率密度函数为
其中， σ > 0，µ 和 σ 均为常数。若随机变量X 服从一个参数为 µ 和 σ 的概率分布，简记为
累积分布函数
对于一个随机变量X，其累积分布函数是随机变量X 的取值小于等于x的概率。
以连续随机变量X 为例，累积分布函数定义为：
其中p(x)为概率密度函数，标准正态分布的累计分布函数:
随机向量
随机向量是指一组随机变量构成的向量。如果 X1, X2, · · · , Xn 为n个随机变量, 那么称 [X1, X2, · · · , Xn] 为一个 n 维随机向量。一维随机向量称为随机变量。随机向量也分为离散随机向量和连续随机向量。 条件概率分布 对于离散随机向量 (X, Y) ，已知X = x的条件下，随机变量 Y = y 的条件概率为：
对于二维连续随机向量(X, Y )，已知X = x的条件下，随机变量Y = y 的条件概率密度函数为
期望 对于离散变量X，其概率分布为 p(x1), · · · , p(xn) ，X 的期望（expectation）或均值定义为
对于连续随机变量X，概率密度函数为p(x)，其期望定义为
方差 随机变量X 的方差（variance）用来定义它的概率分布的离散程度，定义为
标准差 随机变量 X 的方差也称为它的二阶矩。X 的根方差或标准差。
协方差 两个连续随机变量X 和Y 的协方差（covariance）用来衡量两个随机变量的分布之间的总体变化性，定义为
协方差经常也用来衡量两个随机变量之间的线性相关性。如果两个随机变量的协方差为0，那么称这两个随机变量是线性不相关。两个随机变量之间没有线性相关性，并非表示它们之间独立的，可能存在某种非线性的函数关系。反之，如果X 与Y 是统计独立的，那么它们之间的协方差一定为0。
随机过程（stochastic process）是一组随机变量Xt 的集合，其中t属于一个索引（index）集合T 。索引集合T 可以定义在时间域或者空间域，但一般为时间域，以实数或正数表示。当t为实数时，随机过程为连续随机过程；当t为整数时，为离散随机过程。日常生活中的很多例子包括股票的波动、语音信号、身高的变化等都可以看作是随机过程。常见的和时间相关的随机过程模型包括贝努力过程、随机游走、马尔可夫过程等。
马尔可夫过程 指一个随机过程在给定现在状态及所有过去状态情况下，其未来状态的条件概率分布仅依赖于当前状态。
其中X0:t 表示变量集合X0, X1, · · · , Xt，x0:t 为在状态空间中的状态序列。
马尔可夫链 离散时间的马尔可夫过程也称为马尔可夫链（Markov chain）。如果一个马尔可夫链的条件概率
马尔可夫的使用可以看前面一篇写的有意思的文章： 女朋友的心思你能猜得到吗？——马尔可夫链告诉你 随机过程还有高斯过程，比较复杂，这里就不详细说明了。
信息论（information theory）是数学、物理、统计、计算机科学等多个学科的交叉领域。信息论是由 Claude Shannon最早提出的，主要研究信息的量化、存储和通信等方法。在机器学习相关领域，信息论也有着大量的应用。比如特征抽取、统计推断、自然语言处理等。
在信息论中，熵用来衡量一个随机事件的不确定性。假设对一个随机变量X（取值集合为C概率分布为 p(x), x ∈ C ）进行编码，自信息I(x)是变量X = x时的信息量或编码长度，定义为 I(x) = − log(p(x)), 那么随机变量X 的平均编码长度，即熵定义为
其中当p(x) = 0时，我们定义0log0 = 0 熵是一个随机变量的平均编码长度，即自信息的数学期望。熵越高，则随机变量的信息越多；熵越低，则信息越少。如果变量X 当且仅当在x时 p(x) = 1 ，则熵为0。也就是说，对于一个确定的信息，其熵为0，信息量也为0。如果其概率分布为一个均匀分布，则熵最大。假设一个随机变量X 有三种可能值x1, x2, x3，不同概率分布对应的熵如下：
联合熵和条件熵 对于两个离散随机变量X 和Y ，假设X 取值集合为X；Y 取值集合为Y，其联合概率分布满足为 p(x, y) ，则X 和Y 的联合熵（Joint Entropy）为
X 和Y 的条件熵为
互信息 互信息（mutual information）是衡量已知一个变量时，另一个变量不确定性的减少程度。两个离散随机变量X 和Y 的互信息定义为
交叉熵和散度 交叉熵 对应分布为p(x)的随机变量，熵H(p)表示其最优编码长度。交叉熵是按照概率分布q 的最优编码对真实分布为p的信息进行编码的长度，定义为
在给定p的情况下，如果q 和p越接近，交叉熵越小；如果q 和p越远，交叉熵就越大。
㈢ 学编程要怎样水平的数学基础
你既然喜欢编程，就应该认认真真的学习一门语言，学习微软的就先从VB开始，VB是比较好的入门语言，可视化的，比较简单，是非常好的入门语言。书籍最少应该准备两本，不可能一本书籍会包含VB的所有内容，在看书的时候，可以交叉的看，一本书籍中没有讲到的内容可以在另一本中看到，这样对学习是很有好处的，也能保证所学知识的完整性。学编程是一个很漫长的过程，不要着急，要理论与实践想结合，例程书籍也是很重要的，看源代码对学习也是很有帮助的，等你学完这门VB语言之后，学习别的语言是非常简单，可以尝试C语言，按照C——C++——VC的顺序学习，有助于知识的连贯性，我也希望你能学好的。
或者学习Delphi，入门较为简单类似于VB，但比VB强大，即可作为入门又能做强、做大
怎样学编程
1.明确学习目的
学习编程对大多数IT业人员来说都是非常有用的。学编程，做一名编程人员，从个人角度讲，可以解决在软件使用中所遇到的问题，改进现有软件，可以为自己找到一份理想的工作添加重要得砝码，有利于在求职道路上谋得一个好的职位；从国家的角度，可以为中国的软件产业做出应有的贡献，一名优秀的程序员永远是被争夺的对象。学习编程还能锻炼思维，使我们的逻辑思维更加严密；能够不断享受到创新的乐趣，将一直有机会走在高科技的前沿，因为程序设计本身是一种创造性的工作。知识经济时代给我们带来了无限的机会，要想真正掌握计算机技术，并在IT行业里干出一番事业来，有所作为，具有一定的编程能力是一个基本条件和要求。
2.打好基础
学编程要具备一定的基础，总结之有以下几方面：
（1）数学基础 从计算机发展和应用的历史来看计算机的数学模型和体系结构等都是有数学家提出的，最早的计算机也是为数值计算而设计的。因此，要学好计算机就要有一定的数学基础，出学者有高中水平就差不多了。
（2）逻辑思维能力的培养学程序设计要有一定的逻辑思维能力，“逻思力”的培养要长时间的实践锻炼。要想成为一名优秀的程序员，最重要的是掌握编程思想。要做到这一点必须在反复的实践、观察、分析、比较、总结中逐渐地积累。因此在学习编程过程中，我们不必等到什么都完全明白了才去动手实践，只要明白了大概，就要敢于自己动手去体验。谁都有第一次。有些问题只有通过实践后才能明白，也只有实践才能把老师和书上的知识变成自己的，高手都是这样成材的。
（3）选择一种合适的入门语言 面对各种各样的语言，应按什么样的顺序学呢？程序设计工具不外乎如下几类： 1）本地开发应用软件开发的工具有：Visual Basic 、Delphi 、VC++ ( C++ Builder ) 等；数据库开发工具有：Visual Foxpro 、Oracle Developer 、Power Builder 等。 2）跨平台开发 开发工具如 Java 等。 3）网络开发对客户端开发工具如：Java Script 等；对服务器开发工具如：PHP 、ASP 、JSP 、ISAPI 、NSAPI 、CGI 等。以上不同的环境下几种开发工具中 VB 法简单并容易理解，界面设计是可设化的，易学、易用。选 VB 作为入门的方向对出学者是较为适合的。
3. 注意理解一些重要概念
一本程序设计的书看到的无非就是变量、函数、条件语句、循环语句等概念，但要真正能进行编程应用，需要深入理解这些概念，在理解的基础上应用，不要只简单地学习语法、结构，而要吃透针对这些语法、结构的应用例子，做到举一反三，触类旁通。
4.掌握编程思想
学习一门语言或开发工具，语法结构、功能调用是次要的，最主要是学习它的思想。例如学习 VC 就要学习 Windows 的内在机理、什么是线程......；学习 COM 就要知道 VTALBE 、类厂、接口、idl......，关键是学一种思想，有了思想，那么我们就可以触类旁通。
5.多实践、多交流
掌握编程思想必须在编程实际工作中去实践和体会。编程起步阶段要经常自己动手设计程序，具体设计时不要拘泥于固定的思维方式，遇到问题要多想几种解决的方案。这就要多交流，各人的思维方式不同、角度各异，各有高招，通过交流可不断吸收别人的长处，丰富编程实践，帮助自己提高水平。亲自动手进行程序设计是创造性思维应用的体现，也是培养逻辑思维的好方法。
6.养成良好的编程习惯
编程入门不难，但入门后不断学习是十分重要的，相对来说较为漫长。在此期间要注意养成一些良好的编程习惯。编程风格的好坏很大程度影响程序质量。良好的编程风格可以使程序结构清晰合理，且使程序代码便于维护。如代码的缩进编排、变量命令规则的一致性、代码的注释等。
7.上网学编程
在网上可以学到很多不同的编程思想、方法、经验和技巧，有大量的工具和作品及相关的辅导材料供下载。例如网站“编程课堂”（http://best.yeah.net/）主要以 VB 和 Delph；教学和交流为主，提供大量实用技巧；网站“现在时编程学园”（http://pshool.yeah.net/）是专门介绍C、VC、VB、Delphi 等的综合编程网站；网站“ VB 编程乐园 ”（http://www.vbeden.com/）提供内容丰富而且实用的编程技术文章、精选控件、源代码下载、计算机考试、相关软件以及编程书籍推荐等等。
8.加强计算机理论知识的再学习
学编程是符合“理论→实践→再理论→再实践”的一个认识过程。一开始要具有一定的计算机理论基础知识，包括编程所需的数学基础知识，具备了入门的条件，就可以开始编程的实践，从实践中可以发现问题需要加强计算机理论知识的再学习。程序人人皆可编，但当你发现编到一定程度很难再提高的时候，就要回头来学习一些计算机科学和数学基础理论。学过之后，很多以前遇到的问题都会迎刃而解，使人有豁然开朗之感。因此在学习编程的过程中要不断地针对应用中的困惑和问题深入学习数据结构、算法、计算机原理、编译原理、操作系统原理、软件工程等计算机科学的理论基础和数理逻辑、代数系统、图论、离散数学等数学理论基础知识。这样经过不断的学习，再努力地实践，编程水平一定会不断提高到一个新高度。
㈣ 编程与数学的关系
编程和数学，本质上来说，它们之间的联系是非常紧密的，最核心的说法就在于，数学是理论，编程是使用理论的工具。但是孩子学习编程，是能够反哺数学的。更准确地说，就是在学习编程知识的同时，也能对数学概念进行更直观的理解。
软件编程是基于数学模型的基础上面的，所以，数学是计算机科学的主要基础。软件编程中不仅许多理论是用数学描述的，而且许多技术也是用数学描述的。从计算机各种应用的程序设计方面考察，任何一个可在存储程序式电子数字计算机上运行的程序，其对应的计算方法首先都必须是构造性的，数据表示必须离散化，计算操作必须使用逻辑或代数的方法进行，这些都应体现在算法和程序之中。此外，到现在为止，算法的正确性、程序的语义及其正确性的理论基础仍然是数理逻辑，或进一步的模型论。真正的程序语义是模型论意义上的语义。于是软件编程思想运行的严密性、学科理论方法与实现技术的高度一致是计算机科学与技术学科同数学学科密切相关的根本原因。从学科特点和学科方法论的角度考察，软件编程的主要基础思想是数学思维，特别是数学中以代数、逻辑为代表的离散数学，而程序技术和电子技术仅仅只是计算机科学与技术学科产品或实现的一种技术表现形式。
让孩子更早的接触编程，无疑是最大的优势。孩子在学习编程知识的同时培养孩子逻辑思维能力、试错能力、专注能力和动手解决问题的能力。
选择编程，受益一生。爱编程，会学习。了解编程就来爱上编程智能学习中心。